《Frontiers in Endocrinology》：Development of an interpretable machine learning model and web application for peri-colonoscopy hypoglycemia risk in hospitalized patients undergoing colonoscopy
编辑推荐：
**摘要**
**目的：** 开发并外部验证一个基于液体神经网络（LNN）的模型，用于预测住院结肠镜检查患者的围术期低血糖，并开发一个集成实时SHAP（SHapley Additive exPlanations）可解释性分析的跨平台网络应用。**方法：**
**摘要**
**目的：** 开发并外部验证一个基于液体神经网络（LNN）的模型，用于预测住院结肠镜检查患者的围术期低血糖，并开发一个集成实时SHAP（SHapley Additive exPlanations）可解释性分析的跨平台网络应用。**方法：** 回顾性纳入2025年1月至12月来自常熟市第一人民医院和常熟市中医院的719例住院结肠镜检查患者，以围术期低血糖为结局变量，纳入28个候选变量。内部验证采用分层五折交叉验证结合折外（OOF）预测，并在训练折内进行LASSO特征选择和SMOTE类别平衡。构建了逻辑回归（LR）、决策树（DCT）、随机森林（RF）、极限梯度提升（XGBoost）和LNN模型，并从区分度、校准度和临床实用性评估模型性能；采用SHAP进行全局和个体化解释，并使用Python–Streamlit开发网络应用。**结果：** 围术期低血糖发生率为15.2%。LASSO筛选出7个特征：肠道准备溶液体积、性别、禁食时间、营养风险、胰岛素使用、糖尿病史和白蛋白。SMOTE处理后，内部验证AUC从高到低依次为：LNN 0.851（95% CI：0.804–0.893）、RF 0.831、XGBoost 0.829、LR 0.765、DCT 0.750；LNN同时表现出最佳的敏感度-特异度平衡（76.83%/85.50%）和最低的Brier分数（0.116），决策曲线分析显示在0.05–0.55阈值范围内净获益最高。基于LNN的网络应用在168例外部验证集中达到AUC 0.848（95% CI：0.758–0.921），敏感度74.07%，特异度86.52%，阴性预测值94.57%；SHAP分析确定营养风险（平均|SHAP|=0.689）、白蛋白（0.480）和性别（0.431）为主要预测因子。**结论：** 基于LNN的模型能有效评估住院结肠镜检查患者围术期低血糖风险，并在外部验证中保持良好预测性能；集成实时SHAP解释的网络应用提供便捷、可解释、个体化的风险评估，为早期筛查和干预决策提供支持。该网络应用的公开演示版可在https://ml-model-for-hypoglycemia.streamlit.app/ 访问。
**论文解读：基于液体神经网络（LNN）的围结肠镜低血糖风险预测模型与网络应用开发**
**研究背景与问题**
结肠镜检查是结直肠癌筛查、诊断和治疗的重要手段，其质量依赖于充分的肠道准备。然而，肠道准备过程可能干扰围术期血糖稳态，诱发低血糖等不良事件。低血糖可导致心悸、出汗、意识障碍，严重时威胁检查安全与流程。对于住院患者，围术期低血糖可能引起检查中断或推迟、术后恢复延迟、心律失常和心肌缺血等心血管事件，延长住院时间并增加医疗费用。因此，在肠道准备阶段提前识别高危患者至关重要。
现有研究表明，围结肠镜低血糖发生率较高，且高危人群不限于糖尿病患者。2型糖尿病患者围结肠镜低血糖发生率可达18.7%，糖尿病肠道准备期间约16.8%，一般门诊患者约17%。影响因素包括禁食时间、主观饥饿感、焦虑水平、疾病状态、药物、肠道准备行为及营养储备。然而，目前预测围结肠镜低血糖的研究有限，现有模型多聚焦于糖尿病患者，且主要依赖传统逻辑回归（LR）算法。这些模型存在局限性：研究对象仅限于糖尿病患者，未覆盖同样存在风险的非糖尿病住院患者；通常在单一肠道准备方案下推导，未考虑清洁剂类型和体积差异；很少涉及校准、临床净获益、可解释性和外部泛化性。机器学习算法如极限梯度提升（XGBoost）、随机森林（RF）等在低血糖预测中已显示良好判别性能，但在住院结肠镜患者中的多算法比较、概率校准、临床净获益评估、可解释性分析和独立外部验证仍不足。
液体神经网络（LNN）是一种连续时间神经网络模型，可通过可学习时间常数刻画复杂非线性关系，在临床风险预测中具有潜在应用价值。与多层感知器等传统深度架构相比，LNN的输入依赖时间常数使其隐藏状态动态演化，以较少参数捕捉变量间高阶非线性交互（如禁食时间、胰岛素使用和营养风险的联合效应）。研究人员假设，即使在静态表格数据上，LNN也能匹配或超越XGBoost和RF等算法，同时其连续时间公式为未来时间序列输入预留了扩展。此外，由于机器学习模型的黑箱性质限制临床信任和采纳，可解释性已成为临床预测模型的前提。SHAP（SHapley Additive exPlanations）可量化变量对模型输出的贡献，提高模型透明度。基于此，本研究首先构建并比较多种机器学习模型，使用折外（OOF）预测、独立外部验证、校准曲线和决策曲线分析系统评估性能；其次，开发集成实时SHAP解释的跨平台网络应用，以支持住院结肠镜患者围术期低血糖的早期筛查和个体化干预。论文发表在《Frontiers in Endocrinology》。
**主要关键技术方法**
本研究为两中心回顾性研究，样本队列来源于常熟市第一人民医院（开发集，551例）和常熟市中医院（外部验证集，168例），共纳入719例住院结肠镜检查患者。关键技术方法包括：采用分层五折交叉验证结合折外（OOF）预测进行模型开发和内部验证；在训练折内进行LASSO特征筛选和SMOTE（合成少数类过采样技术）类别平衡；构建逻辑回归（LR）、决策树（DCT）、随机森林（RF）、极限梯度提升（XGBoost）和液体神经网络（LNN）五种模型；使用AUC、Brier分数、校准曲线和决策曲线分析（DCA）评估模型区分度、校准度和临床净获益；采用SHAP进行全局和个体化解释；基于Python–Streamlit框架开发跨平台网络应用，集成实时SHAP解释。
**研究结果**
**2.1 基线特征：** 根据纳入排除标准，共纳入719例住院结肠镜患者，其中开发集551例，外部验证集168例。围术期低血糖总体发生率为15.2%（109例），开发集14.9%（82例），外部验证集16.1%（27例），两组间无显著差异（P>0.05）。共纳入28个候选预测变量，两组基线分布均衡（P>0.05）。
**2.2 特征选择：** 采用LASSO回归在开发集中对28个候选变量进行特征选择。采用λ_1se标准，最终筛选出7个非零系数特征：肠道准备溶液体积（BP volume）、性别、禁食时间、营养风险、胰岛素使用、糖尿病史（DM）和白蛋白（ALB）。
**2.3 SMOTE前后性能比较：** SMOTE处理后，基于OOF预测的内部验证AUC从高到低为：LNN 0.851（95% CI：0.804–0.893）、RF 0.831、XGBoost 0.829、LR 0.765、DCT 0.750。LNN的敏感度76.83%、特异度85.50%、准确率84.21%、阳性预测值（PPV）48.09%、F1分数59.15%，均居五模型之首，且敏感度-特异度平衡最佳。校准曲线显示LNN的Brier分数最低（0.116），预测概率与观测概率一致性最好。决策曲线分析（DCA）显示，LNN在0.05–0.55阈值概率范围内净获益最高或接近最高。综合区分度、校准度和临床净获益，LNN表现最佳，被选为最终部署模型。
**2.4 网络应用开发与外部验证：** 本研究将LNN模型转化为在线预测工具，集成在Streamlit框架中。输入7个临床参数（肠道准备溶液体积、性别、禁食时间、营养风险、胰岛素使用、糖尿病史、白蛋白）后，实时输出围术期低血糖风险等级、具体概率值及基于SHAP值的个体化特征贡献力图。在168例外部验证集中，LNN模型AUC为0.848（95% CI：0.758–0.921），敏感度74.07%（95% CI：55.32–86.83），特异度86.52%（95% CI：79.91–91.20），阴性预测值（NPV）94.57%（95% CI：89.22–97.35），Brier分数0.113。特征重要性分析显示，营养风险最重要（平均|SHAP|=0.689），其次为白蛋白（0.480）、性别（0.431）、糖尿病史（0.409）、禁食时间（0.271）、胰岛素使用（0.249）和肠道准备溶液体积（0.204）。
**讨论与结论**
讨论部分指出，本研究构建的LNN模型在内部和外部验证中均保持良好区分度（AUC分别为0.851和0.848），Brier分数低（内部0.116，外部0.113），临床净获益高，外部验证阴性预测值达94.57%，尤其适用于辅助排除低风险患者。LASSO筛选的7个变量覆盖“摄入减少–储备不足–药物效应”三条风险路径。与既往模型相比，本研究纳入了糖尿病和非糖尿病住院患者，进行了多算法比较并完成独立外部验证。SHAP分析提供了变量方向性解释的补充证据，营养风险、白蛋白、性别和糖尿病史具有最高平均绝对SHAP值，说明模型综合反映患者营养状态、围术期准备行为和代谢基线。个体化SHAP力图可显示每例患者风险增加或减少的因素，有助于护理团队定制禁食管理、能量补充和血糖监测频率。
局限性方面，本研究为两中心回顾性研究，可能存在区域和选择偏倚；外部验证集仅27例低血糖事件，事件相关指标置信区间较宽，限制了绩效估计的精确性和稳健性，且无法进行稳健的亚组分析；所有变量均为入院时静态基线指标，未充分利用LNN在时间序列建模方面的优势。未来需在更大规模多中心前瞻性队列中验证模型的泛化性和稳健性，并可纳入动态变量如连续血糖监测、降糖方案调整及实时生命体征，实现更精确的动态风险评估。
**研究结论翻译：** 基于LNN的模型能有效评估住院结肠镜检查患者围术期低血糖风险，并在外部验证中保持良好区分度和校准度。集成实时SHAP解释的网络应用提供了可解释的个体化决策支持工具，可能有助于早期风险分层。然而，该模型应在临床中谨慎应用，因其基于相对有限的回顾性数据集开发和验证。在广泛推广至常规实践前，需进行更大规模的前瞻性、多中心验证研究以确认其稳健性、泛化性和临床实用性。
